有时候,我们不但需要获取模型的最终输出结果。还需要获取模型中间层的输出结果(例如,要获取数据的Embbeding向量)
所以下面通过一个简单的例子,介绍一下在Tensorflow的Keras中,两种获取模型指定层输出的方式,分别是:
- 通过指定网络层的 index 来获取特定层的输出
dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.layers[1].output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)
- 通过指定网络层的 name 来获取特定层的输出
dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.get_layer('Dense_1').output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)
【注意】比较推荐的是通过指定网络层的 name 来获取特定层的输出,这就需要定义模型的网络层时,要给网络层命名;如果获取不到name,才用index来获取。
演示Demo
-
简单定义一个模型
import numpy as np
import tensorflow as tf
model = tf.keras.models.Sequential(name="test_model")
model.add(tf.keras.layers.Dense(20, activation='relu', input_dim=100))
model.add(tf.keras.layers.Dense(10, activation='relu', name="Dense_1"))
model.add(tf.keras.layers.Dense(1, activation='sigmoid', name="Dense_2"))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()
# 随机生成训练数据
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))
# 模型训练
model.fit(data, labels, epochs=10, batch_size=32)
这边每个模型的网络层都定义一个名字,后面会用到。网络结构如下:
-
通过指定网络层的 index 来获取特定层的输出:
# 方案一: 使用layers index 来获取特定层的输出
dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.layers[1].output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)
print("[get output by layers index]")
print(dense1_output.shape)
print(dense1_output[0])
输出结果如下:
-
通过指定网络层的 name 来获取特定层的输出:
# 方案二: 使用网络层的 name 来获取特定层的输出
dense1_layer_model = tf.keras.models.Model(inputs=model.input, outputs=model.get_layer('Dense_1').output)
dense1_output = dense1_layer_model.predict(x=data, batch_size=32)
print("[get output by layers name]")
print(dense1_output.shape)
print(dense1_output[0])
输出结果如下: